第四章:大模型（LLM)】07.Prompt工程-(1)Prompt 原理与基本结构
第四章：大模型（LLM）
第七部分：Prompt 工程
第一节：Prompt 原理与基本结构
1. 什么是 Prompt
在大模型（LLM）中，Prompt（提示词）是用户输入给模型的文本指令或上下文信息，用于引导模型生成所需的输出。它相当于“大模型的编程语言”，通过不同的写法，可以显著影响模型的回答质量、风格和准确度。
在自然语言交互中，Prompt 的作用类似于“问题 + 背景”的组合。
在应用开发中，Prompt 更像是“任务说明书”，告诉模型要完成什么、遵守哪些规则。
例如：
简单 Prompt：
“写一首关于春天的诗。”
复杂 Prompt：
“你是一位古典诗人，请用《唐诗》的风格写一首五言绝句，主题是春天，表达出草木复苏和希望的意境。”
可以看出，Prompt 的详细程度和结构会直接影响模型生成内容的精细度和符合度。
2. Prompt 的工作原理
LLM 的工作原理基于 条件概率建模：
模型通过输入的 Prompt（即一段文本序列），预测下一个最可能出现的词（token）。
当 Prompt 越清晰、越具体时，模型能在海量知识中缩小“搜索空间”，更接近用户预期的答案。
工作机制简化为：
Prompt（输入） → 模型内部语义理解 → 输出结果
其核心原理是：Prompt 为模型提供语境（Context）和目标（Instruction），而模型则基于这些信息预测和生成文本。
3. Prompt 的基本结构
一个完整的 Prompt 通常包含以下几个部分：
角色设定（Role Assignment）
定义模型扮演的身份或角色，使其回答更具一致性。
示例：
“你是一位精通历史的学者，请解释三国时期的外交策略。”
任务指令（Instruction）
明确告诉模型要做什么。
示例：
“请列出三点影响深远的外交策略。”
输入数据（Input Data）
提供模型要处理的文本、资料或问题。
示例：
“输入：三国时期曹操、孙权、刘备之间的外交关系。”
输出约束（Output Constraints）
指定格式、长度、风格等要求。
示例：
“请用条目式输出，每条不超过50字。”
示例（Few-shot Examples，可选）
提供范例帮助模型模仿格式和风格。
示例：
“示例：
策略1：联合抗敌，形成合纵之势。
策略2：借地为利，掌握主动权。”
总结：一个高效的 Prompt 结构 = 角色 + 指令 + 输入 + 约束 + 示例。
4. Prompt 的层次划分
从复杂度上，Prompt 可以分为：
零样本 Prompt（Zero-shot Prompting）
直接给出指令，无需示例。
示例：
“将以下句子翻译成英语：我喜欢学习人工智能。”
单样本 Prompt（One-shot Prompting）
给出一个示例，让模型模仿。
示例：
“示例：中文：你好 → 英文：Hello
翻译：我喜欢学习人工智能。”
少样本 Prompt（Few-shot Prompting）
给出多个示例，帮助模型理解任务模式。
示例：
“中文：早上好 → 英文：Good morning
中文：谢谢 → 英文：Thank you
中文：我喜欢学习人工智能 → 英文：I like studying AI”
思维链 Prompt（Chain-of-Thought, CoT）
鼓励模型逐步推理，特别适用于复杂逻辑题。
示例：
“请逐步分析并回答：小明有3个苹果，送给小红2个，还剩几个？”
5. Prompt 的最佳实践（Best Practices）
明确性：避免模糊或开放式的指令。
不佳示例：写一篇文章。
优化示例：写一篇 500 字的文章，主题是人工智能对教育的影响，风格需正式且数据充分。
分步骤：将复杂任务拆解成小任务。
示例：
“第一步：总结文章的要点；第二步：列出优缺点；第三步：给出结论。”
限制输出：明确格式要求。
示例：
“请以 JSON 格式返回，包含字段：title, summary, keywords。”
提供示例：少样本能显著提高一致性。
迭代优化：通过多次实验，不断调整 Prompt，直到达到最佳结果。
6. 小结
Prompt 是人与大模型交互的“语言”，决定了输出质量。
一个完整的 Prompt 由 角色、任务、输入、约束、示例组成。
不同复杂度的 Prompt（零样本、单样本、少样本、思维链）适合不同任务。
高质量 Prompt 的核心原则是：清晰、具体、分步骤、有约束、可迭代。